光学字符识别（OCR）将文本图像（扫描件、智能手机照片、PDF）转换为机器可读的字符串，并越来越多地转换为 结构化数据。现代 OCR 是一个清理图像、查找文本、读取文本并导出丰富元数据的管道， 以便下游系统可以搜索、索引或提取字段。两个广泛使用的输出标准是 hOCR，一种用于文本和布局的 HTML 微格式，以及 ALTO XML，一种面向图书馆/档案馆的模式；两者都保留位置、阅读顺序和其他布局提示，并受 流行引擎（如 Tesseract）支持。
预处理。 OCR 质量始于图像清理：灰度转换、去噪、 阈值处理（二值化）和偏斜校正。经典的 OpenCV 教程涵盖了全局、 自适应 和 Otsu 阈值处理——适用于光照不均匀或双峰直方图的文档。当页面内的光照发生变化时 （例如手机快照），自适应方法通常优于单个全局阈值；Otsu 通过分析直方图自动选择阈值。倾斜校正同样重要：基于霍夫变换的 偏斜校正（霍夫线变换）与 Otsu 二值化相结合，是生产预处理管道中常用且有效的方案。
检测与识别。 OCR 通常分为文本检测（文本在 哪里？）和文本识别（它说了什么？）。在自然场景和许多扫描中，全卷积 检测器（如 EAST ）可以有效地预测单词或行级四边形，而无需繁重的提议阶段，并且已在 常见工具包（例如 OpenCV 的文本检测教程）中实现。在复杂的页面（报纸、表格、书籍）上，行/区域的分割和阅读顺序推断很重要：Kraken 实现了传统的区域/行分割和神经基线分割，并明确支持 不同的脚本和方向（LTR/RTL/垂直）。
识别模型。 经典的开源主力 Tesseract （由 Google 开源，源于 HP）从字符分类器演变为基于 LSTM 的序列 识别器，可以从 CLI 发出可搜索的 PDF、 hOCR/ALTO 友好输出等。现代识别器依赖于序列建模，而无需预先分割字符。 连接主义时间分类 (CTC) 仍然是基础，它学习输入特征序列和输出标签字符串之间的对齐；它广泛 用于手写和场景文本管道。
在过去几年中，Transformer 重塑了 OCR。 TrOCR 使用视觉 Transformer 编码器和文本 Transformer 解码器，在大型合成语料库上进行训练，然后 在真实数据上进行微调，在印刷、手写和场景文本基准测试中表现出色（另请参阅 Hugging Face 文档）。与此同时，一些系统绕过 OCR 进行下游理解： Donut（文档理解 Transformer） 是一种无 OCR 的编码器-解码器，可直接从文档 图像输出结构化答案（如键值 JSON）（仓库， 模型卡），避免了在单独的 OCR 步骤为 IE 系统提供数据时出现错误累积。
如果您想要跨多种脚本的“开箱即用”文本阅读， EasyOCR 提供了一个包含 80 多种语言模型的简单 API，可返回框、文本和置信度——方便用于原型和 非拉丁脚本。对于历史文献， Kraken 以基线分割和脚本感知阅读顺序而著称；对于灵活的行级训练， Calamari 建立 在 Ocropy 的基础上（Ocropy），带有（多）LSTM+CTC 识别器和用于微调自定义模型的 CLI。
泛化取决于数据。对于手写， IAM 手写数据库 为训练和评估提供了不同作者的英语句子；它是 行和单词识别的长期参考集。对于场景文本， COCO-Text 在 MS-COCO 上分层了广泛的注释，带有印刷/手写、清晰/不清晰、脚本和 完整转录的标签（另请参阅原始 项目页面）。该领域还严重依赖合成预训练： 野外合成文本 将文本渲染到具有逼真几何和光照的照片中，为预训练 检测器和识别器提供大量数据（参考 代码和数据）。
ICDAR 的鲁棒阅读 下的竞赛使评估保持接地气。最近的任务强调端到端检测/阅读，并包括将单词 链接成短语，官方代码报告 精确率/召回率/F-score、交并比 (IoU) 和字符级编辑距离度量——反映了从业者应该跟踪的内容。
OCR 很少以纯文本结尾。档案馆和数字图书馆更喜欢 ALTO XML ，因为它 除了内容之外还编码了物理布局（带坐标的块/行/字），并且它与 METS 打包配合得很好。 hOCR 微格式则相反，它使用 ocr_line 和 ocrx_word 等类将相同的思想嵌入到 HTML/CSS 中，从而可以轻松地使用 Web 工具进行显示、编辑和转换。Tesseract 两者都支持——例如， 直接从 CLI 生成 hOCR 或可搜索的 PDF（PDF 输出指南）；像 pytesseract 这样的 Python 包装器增加了便利性。当存储库具有固定的接收 标准时，存在用于在 hOCR 和 ALTO 之间进行转换的转换器——请参阅此精选列表 OCR 文件格式工具。
最强劲的趋势是融合：检测、识别、语言建模，甚至特定于任务的解码 正在合并到统一的 Transformer 堆栈中。在 大型合成语料库 上进行预训练仍然是一个力量倍增器。无 OCR 模型将在目标是结构化输出 而不是逐字记录的任何地方积极竞争。也期待混合部署：一个轻量级检测器加上一个 TrOCR 风格的 识别器用于长格式文本，以及一个 Donut 风格的模型用于表格和收据。
Tesseract (GitHub) · Tesseract 文档 · hOCR 规范 · ALTO 背景 · EAST 检测器 · OpenCV 文本检测 · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · IAM 手写 · OCR 文件格式工具 · EasyOCR
光学字符识别(OCR)是一种技术，用于将不同类型的文档，如扫描的纸质文档、PDF文件或由数字相机拍摄的图像，转换为可编辑和可搜索的数据。
OCR通过扫描输入的图像或文档，将图像分割成单个字符，然后将每个字符与使用模式识别或特征识别的字符形状数据库进行比较。
OCR用于各种行业和应用中，包括数字化打印文档、启用文字到语音服务、自动化数据录入过程、以及帮助视障用户更好地与文本交互。
尽管OCR技术 已取得了巨大的进步，但它并不是绝对可靠的。根据原始文档的质量和所使用的OCR软件的具体情况，其准确性可能会有所不同。
虽然OCR主要用于识别打印的文本，但一些先进的OCR系统也能识别清晰、一致的手写字。然而，由于个人写作风格的巨大差异，手写字体识别通常准确率较低。
是的，许多OCR软件系统可以识别多种语言。然而，需要确保你正在使用的软件支持特定的语言。
OCR是Optical Character Recognition的缩写，用于识别打印的文本，而ICR，或称Intelligent Character Recognition，更先进，用于识别手写的文本。
OCR最适合处理清晰、易于阅读的字体和标准的文字大小。虽然它可以处理各种字体和大小，但是当处理不常见的字体或非常小的文字大小时，准确性可能会下降。
OCR可能会出现问题，如处理低分辨率的文档，复杂的字体，打印质量差的文本，手写文本，以及含有干扰文本的背景的文档。另外，尽管它可以处理多种语言，但可能并不能完美地覆盖所有语言。
是的，OCR可以扫描彩色的文本和背景，虽然它通常对高对比度的颜色组合更有效，比如黑色的文本和白色的背景。当文本和背景颜色对比度不足时，其准确性可能会降低。
MAP图像格式，不要与地理制图中更常见的“地图”混淆，是一种用于存储位图图像的相对晦涩的文件格式。它不像JPEG、PNG或GIF等更流行的图像格式那样被广泛认可或使用，但它有自己的一组特性，使其适用于某些应用程序。MAP格式通常与用于各种类型制图的图像数据相关联，例如3D模型中的纹理映射，或在某些需要特定图像资产格式的软件应用程序中。
MAP图像格式的一个关键特性是它能够以一种针对快速访问和操作进行优化的方式存储图像数据，这在视频游戏或模拟等实时应用程序中特别有用。这是通过使用一个简单的data结构来实现的，该结构允许高效地读写像素数据。与包含压缩和附加元数据的更复杂格式不同，MAP文件通常更简单，可能不支持压缩或仅支持无损压缩以保留图像质量。
MAP文件的基本结构通常包括一个头文件，其中包含有关图像的信息，例如其尺寸（宽度和高度）、颜色深度（每像素位数），如果图像使用索引颜色，则可能还有调色板。在头文件之后，像素数据以与指定颜色深度相对应的方式存储。例如，在8位MAP图像中，每个像素的颜色由一个字节表示，该字节对应于调色板中的索引。
对于更高的颜色深度，例如24位或32位，每个像素的颜色由多个字节表示。对于24位图像，这通常是每个像素三个字节，每个字节表示颜色的红色、绿色和蓝色分量。32位图像可能包含一个额外的字节用于alpha 透明度信息，允许表示透明或半透明像素。
MAP文件中的调色板（如果存在）是一个可用于图像的颜色的数组。调色板中的每种颜色通常由24位值表示，即使在颜色深度较低的图像中也是如此。这允许为索引图像提供广泛的颜色，当处理有限的色彩空间或在不诉诸有损压缩的情况下尝试减小文件大小时，这可能特别有用。
MAP格式的优点之一是其简单性，它允许在应用程序中使用图像时快速加载和最少处理。这在性能至关重要的场景中尤为重要，例如在3D环境中渲染纹理。该格式的简单性意味着它可以在软件中轻松实现，而无需复杂的解码算法或元数据处理。
然而，MAP格式的简单性也意味着它缺少更高级图像格式中的一些特性。例如，它通常不支持图层、高级颜色配置文件或元数据，例如可以在JPEG或TIFF等格式中找到的EXIF数据。这使得MAP格式不适合需要此类特性的应用程序，例如专业摄影或图像编辑。
MAP格式的另一个限制是它不像其他图像格式那样得到广泛支持。虽然它可以在特定的软件应用程序或游戏引擎中使用，但通常不受通用图像查看器或照片编辑软件支持。这使得在它们预期的特定上下文之外处理MAP图像变得更加困难。
尽管有其局限性，MAP格式对于某些利基应用程序来说可能是一个不错的选择。例如，它可以在嵌入式系统或其他资源受限的环境中使用，并且该格式的简单性允许有效地使用内存和处理能力。对于需要具有更常见格式无法满足的特定特性的自定义图像格式的应用程序，它也可以是一个合适的选择。
在处理MAP图像时，开发人员通常需要使用专门的工具或编写自定义代码来创建、编辑或转换这些文件。这可能包括编写函数来处理MAP文件结构的读写，以及用于操作像素数据和调色板 的例程。在某些情况下，如果所使用的MAP格式支持压缩，开发人员可能还需要实现自己的压缩或解压缩算法。
在文件扩展名方面，MAP图像可能会根据其使用上下文使用各种不同的扩展名。常见的扩展名可能包括.map、.mip或其他特定于软件或平台的扩展名。对于开发人员来说，了解其特定领域中使用的约定非常重要，以确保MAP文件的兼容性和正确处理。
MAP格式还可以与其他文件格式结合使用，作为更大资产管道的一部分。例如，3D模型文件可以引用一个或多个MAP图像作为纹理，MAP文件用于以针对渲染引擎进行优化的格式存储纹理数据。在这种情况下，MAP文件是文件格式更大生态系统的一部分，这些文件格式协同工作以创建最终的视觉输出。
在考虑使用MAP格式时，权衡其简单性和性能的优点与支持和功能有限的潜在缺点非常重要。对于MAP格式的优势符合要求的项目，它可以是一个有效的选择，有助于应用程序的整体性能和效率。
总之，MAP图像格式是一种专门的文件格式，旨在在某些应用程序中实现效率和性能。其简单的结构允许快速访问像素数据，使其适用于实时渲染和其他对性能至关重要的任务。虽然它缺乏更常见图像格式的功能和广泛支持，但对于其优势最有利的特定用例，它可能是正确的选择。使用MAP图像的开发人员必须准备好处理该格式的独特特性，并且可能需要开发自定义工具或代码才能有效地使用它。
这个转换器完全在您的浏览器中运行。当您选择一个文件时,它将被读入内存并转换为所选格式。 然后,您可以下载转换后的文件。
转换立即开始,大多数文件在一秒钟内完成转换。较大的文件可能需要更长时间。
您的文件永远不会上传到我们的服务器。它们在您的浏览器中转换,然后下载转换后的文件。我们永远看不到您的文件。
我们支持在所有图像格式之间进行转换,包括 JPEG、PNG、GIF、WebP、SVG、BMP、TIFF 等等。
这个转换器完全免费,并将永远免费。因为它在您的浏览器中运行,所以我们不需要为服务器付费,因此我们不需要向您收费。
是的!您可以同时转换尽可能多的文件。只需在添加时选择多个文件即可。